我目前正在驗證帶標簽的 PDF 文件中內(nèi)容的正確順序。有沒有辦法以編程方式提取帶標簽的 PDF 文件的閱讀順序號？我嘗試將帶標簽的 PDF 轉(zhuǎn)換為 XML，但我無法弄清楚哪些標簽屬于特定文本。我嘗試過以下庫：同步融合文本7但我找不到任何獲取其閱讀順序號的方法。真的可能嗎？提前致謝！
1 回答
慕斯王
TA貢獻1864條經(jīng)驗 獲得超2個贊
您可以使用PdfPig?(.NET) 庫提取標記 pdf 的標記內(nèi)容樹。我的理解是閱讀順序是由標記內(nèi)容標識符（MCID）指示的。
如果標記的內(nèi)容元素不包含 MCID（如分頁元素），則 MCID 將設置為 -1。
每個MarkedContentElement都包含屬于它的字母、圖像和路徑：
? ? ? using UglyToad.PdfPig;
? ? ? ? [...]
? ? ? ? using (PdfDocument document = PdfDocument.Open(pathToFile))
? ? ? ? {
? ? ? ? ? ? for (int p = 0; p < document.NumberOfPages; p++)
? ? ? ? ? ? {
? ? ? ? ? ? ? ? var page = document.GetPage(p + 1);
? ? ? ? ? ? ? ? // extract the page's marked content
? ? ? ? ? ? ? ? var markedContents = page.GetMarkedContents();?
? ? ? ? ? ? ? ? var orderedMarkedContents = markedContents
? ? ? ? ? ? ? ? ? ? ? ?.OrderBy(mc => mc.MarkedContentIdentifier);
? ? ? ? ? ? ? ? foreach (var mc in orderedMarkedContents)
? ? ? ? ? ? ? ? {
? ? ? ? ? ? ? ? ? ? // do something
? ? ? ? ? ? ? ? }
? ? ? ? ? ? }
? ? ? ? }
如果你想將結(jié)果提取到 XML，你可以看看這個PageXmlTextExporter類。請查看wikiITextExporter以獲取有關和的更多信息IReadingOrderDetector。
注意：我是這個庫的積極貢獻者。
添加回答
舉報
0/150
提交
取消